DESCN：用于个体处理效应估计的深度全空间交叉网络
机器学习
2023-10-23 v3 人工智能
摘要
因果推断在电子商务和精准医疗等诸多领域有广泛应用，其性能严重依赖于个体处理效应（ITE）的准确估计。传统上，ITE 是通过在各自样本空间中分别建模处理组与对照组的响应函数来预测的。然而，这种方法在实践中通常遇到两个问题，即由处理偏差导致的处理组与对照组分布偏离，以及两组群体规模显著样本不平衡。本文提出深度全空间交叉网络（DESCN）从端到端视角建模处理效应。DESCN 通过多任务学习方式，利用交叉网络捕获处理倾向、响应以及隐藏处理效应的综合信息。我们的方法在整个样本空间中联合学习处理与响应函数以避免处理偏差，并采用一个中间伪处理效应预测网络来缓解样本不平衡。我们在合成数据集和来自电子商务代金券分发业务的大规模生产数据集上进行了充分实验。结果表明 DESCN 能成功提升 ITE 估计精度并改善 uplift 排序性能。我们发布了生产数据集的一个样本与源代码以促进社区未来研究，据我们所知，这是首个用于因果推断的大规模公开有偏处理数据集。
引用
@article{arxiv.2207.09920,
title = {DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect Estimation},
author = {Kailiang Zhong and Fengtong Xiao and Yan Ren and Yaorong Liang and Wenqing Yao and Xiaofeng Yang and Ling Cen},
journal= {arXiv preprint arXiv:2207.09920},
year = {2023}
}
备注
Accepted by SIGKDD 2022 Applied Data Science Track